概述：

介紹我們使用的深度學(xué)習(xí)模型和ReLu6

介紹如何使用深度學(xué)習(xí)生成模糊背景

介紹

背景模糊效果是一種常見(jiàn)的圖像效果，主要用于拍攝特寫(xiě)鏡頭上。它可以給我們的圖像增加了一種深度感，突出關(guān)注圖像的某一部分。為了獲得這種效果，我們通常使用一些照片編輯應(yīng)用程序，例如Photoshop，Gimp，Picsart，Snapseed等，但隨著時(shí)間的推移，我們?cè)?span id="8wmmjs5" class='hrefStyle'>計(jì)算機(jī)視覺(jué)和使用深度學(xué)習(xí)的圖像處理方面取得了顯著改善，我們可以使用深度學(xué)習(xí)來(lái)獲得這種效果。在本文中，會(huì)引導(dǎo)你完成完整的實(shí)現(xiàn)以及代碼和一些理論方面的知識(shí)，以便更好地理解相關(guān)內(nèi)容。

目錄

實(shí)現(xiàn)原理

我們使用的深度學(xué)習(xí)模型

ReLu6

實(shí)施

得分

結(jié)論

1． 實(shí)現(xiàn)原理

基本上，我們的整個(gè)目標(biāo)是基于稱(chēng)為圖像分割的卷積神經(jīng)網(wǎng)絡(luò)的高級(jí)實(shí)現(xiàn)。我們都熟悉CNN，它用于基于圖像輸入標(biāo)簽數(shù)量圖像分類(lèi)，但是，假設(shè)為此必須在給定圖像中標(biāo)識(shí)特定對(duì)象，我們必須使用對(duì)象檢測(cè)和圖像分割的概念。

這是圖像分類(lèi)和檢測(cè)的經(jīng)典示例，其中如果在單個(gè)圖像中有多個(gè)類(lèi)別的對(duì)象可用，那么我們?cè)谶M(jìn)行對(duì)象檢測(cè)的過(guò)程中，一旦找到了多個(gè)對(duì)象的坐標(biāo)，則給定圖像將經(jīng)過(guò)ROIPooling（region of interest pooling），對(duì)這些對(duì)象進(jìn)行分類(lèi)，并在每個(gè)標(biāo)識(shí)的對(duì)象周?chē)�繪制邊框。由于邊界框僅顯示對(duì)象在圖像內(nèi)部的位置，所以不會(huì)提供有關(guān)對(duì)象形狀的任何信息。簡(jiǎn)而言之，圖像分割是將圖像像素分為小部分或片段，并根據(jù)相似的信息或?qū)傩詫⑺鼈兎纸M并為其分配標(biāo)簽的過(guò)程，這有助于捕獲像素級(jí)別的非常小的細(xì)節(jié)。分割會(huì)為圖像中的每個(gè)已識(shí)別對(duì)象創(chuàng)建一個(gè)像素級(jí)模板，請(qǐng)看下面的圖片，其主要目的是以這種方式訓(xùn)練神經(jīng)網(wǎng)絡(luò)，使其可以提供圖像的像素級(jí)模板。

2． 我們使用的深度學(xué)習(xí)模型

在了解圖像分割概念知乎，接下來(lái)讓我們看一下要使用的模型，即在coco數(shù)據(jù)集上訓(xùn)練的mobilenetv2。mobilenetv2是一種輕量級(jí)模型，可以在手機(jī)等低功耗設(shè)備上使用，這是2017年發(fā)布的mobilenetv1模型的第二個(gè)版本。現(xiàn)在讓我們簡(jiǎn)要了解模型架構(gòu)。

v2是基于v1的，因此它繼承了相同的深度方向的可分離卷積，其中包括深度方向的卷積和點(diǎn)方向的卷積，從而降低了卷積操作的成本。深度卷積簡(jiǎn)單地說(shuō)，假設(shè)一幅圖像包含3個(gè)通道，那么每個(gè)內(nèi)核將分別在每個(gè)通道上迭代。例如，你有一張（10 x 10 x 3）的圖像和（3 x 3 x 1）的3個(gè)濾波器，那么結(jié)果輸出將是一個(gè)（8 x 8 x 1）這樣的濾波器，之后所有其他濾波器的輸出濾波器堆疊在一起，形成由（8 x 8 x 3）組成的特征圖。在逐點(diǎn)卷積中，我們采用（8 x 8 x 3）的先前特征圖，并應(yīng)用大小為（1 x 1 x 3）的過(guò)濾器，如果應(yīng)用了15個(gè)此類(lèi)濾波器，則最終結(jié)果將疊加起來(lái)形成（8 x 8 x 15）的特征圖。mobilenetv2對(duì)v1進(jìn)行了一些改進(jìn)，例如實(shí)現(xiàn)了反向殘差，線(xiàn)性瓶頸和殘差連接。